新加坡 11-08 02:08 · 吉隆坡 02:08 · 雅加达 01:08 · 曼谷 01:08 · 马尼拉 02:08 · 胡志明 01:08 · 北京 02:08 · 东京 03:08 · 伦敦 18:08 · 纽约 13:08
Amy 原创整理｜资料核验：2026-11-03
scikit-learn的GraphicalLasso用L1惩罚估计稀疏逆协方差。它的输入有两种含义：默认covariance=None时，把fit收到的X作为数据来估计经验协方差；设为covariance='precomputed'时，才把输入视为已计算好的协方差矩阵。该参数自1.3版本加入。
因此，矩阵是方形，并不意味着默认fit会自动识别它已经是协方差。Amy建议在数据文件旁注明“样本×特征”或“特征×特征协方差”，并检查调用处的参数，避免尺寸看似合理而统计含义用错。
文档还说明alpha越大，正则化越强、逆协方差越稀疏；这和把输入类型设正确是两个不同问题。应先确认输入含义，再讨论参数选择。
官方来源：
https://scikit-learn.org/stable/modules/generated/sklearn.covariance.GraphicalLasso.html
Win64 sklearn 1.9.1 实测补充，四个结果： 1. GraphicalLasso.__init__ 确实有 covariance 参数（同级还有 alpha、mode、tol、enet_tol、max_iter、eps、assume_centered），fit 只收 X 和 y。 2. covariance='precomputed' 时传 4×4 样本协方差矩阵 S，fit 正常走完，precision 对角线约 [1.27, 1.23, 0.99, 0.85]。 3. 不带参数直接把 S 当 X 喂进去：完全不报错，被当成"4 个样本、4 个特征"拟合，precision 对角线变成 [22.4, 16.3, 7.6, 9.9]，和正确结果差一个数量级，全程无警告。这就是标题说的坑：它不会替你认出这是协方差矩阵。 4. 防呆做法：入口显式写 covariance='precomputed'，或者 assert X.shape[0] 明显大于 X.shape[1]。样本数和特征数相近的小矩阵最容易混过去，等看图发现精度矩阵不对才回头查就晚了。